Firmansyah, Indra (2026) KLASIFIKASI CITRA WAJAH ASLI DAN WAJAH HASIL GENERATIVE AI MENGGUNAKAN XGBOOST BERBASIS FITUR TEKSTUR DAN WARNA. S1 thesis, Universitas Malikussaleh.

	Text COVER.pdf Download (2MB)
	Text ABSTRAK.pdf Download (2MB)
	Text BAB I.pdf Download (2MB)
	Text DAFTAR PUSTAKA.pdf Download (2MB)
	Text SKRIPSI INDRA FIRMANSYAH.pdf Restricted to Registered users only Download (2MB)

Abstract

ABSTRAK Perkembangan teknologi Generative AI saat ini mampu menghasilkan citra wajah palsu yang sulit dibedakan secara visual, sehingga berisiko disalahgunakan untuk penipuan dan pemalsuan identitas. Penelitian ini bertujuan mengklasifikasikan citra wajah asli dan citra wajah hasil Generative AI menggunakan algoritma XGBoost berbasis ekstraksi fitur tekstur dan warna. Fitur tekstur diekstraksi menggunakan metode Gray Level Co-occurrence Matrix (GLCM) pada empat orientasi sudut (0°, 45°, 90°, dan 135°) dengan jarak 1 piksel, menghasilkan 16 fitur berupa energy, contrast, homogeneity, dan entropy. Fitur warna diekstraksi melalui konversi ruang warna RGB ke YCbCr dengan menghitung nilai mean dan standar deviasi pada kanal Y, Cb, dan Cr, menghasilkan 6 fitur, sehingga total diperoleh 22 fitur gabungan. Dataset berjumlah 750 citra, terdiri atas 375 citra asli dan 375 citra hasil Generative AI, dibagi dengan rasio 80:20 menjadi 600 data latih dan 150 data uji, serta dinormalisasi menggunakan StandardScaler sebelum pelatihan model. Evaluasi menggunakan confusion matrix menunjukkan model berhasil memprediksi 59 dari 75 citra asli dan 65 dari 75 citra AI dengan benar, menghasilkan accuracy 82,67%, precision 80,25%, recall 86,67%, dan F1-score 83,33%. Analisis feature importance menunjukkan fitur cr_std (gain 0,74) dan contrast_0 (gain 0,68) sebagai fitur paling berpengaruh dalam klasifikasi. Penelitian ini membuktikan bahwa fusi fitur tekstur dan warna dengan XGBoost efektif, ringan secara komputasi, dan mudah diinterpretasikan dibandingkan pendekatan deep learning untuk mendeteksi citra wajah hasil Generative AI. Kata kunci: Generative AI, XGBoost, GLCM, YCbCr, Klasifikasi Citra.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	INDRA FIRMANSYAH
Date Deposited:	04 Sep 2026 03:03
Last Modified:	04 Sep 2026 03:03
URI:	https://rama.unimal.ac.id/id/eprint/22364

Actions (login required)

View Item